کد مقاله کد نشریه سال انتشار مقاله انگلیسی ترجمه فارسی نسخه تمام متن
10321909 660776 2015 15 صفحه PDF 14 صفحه WORD دانلود رایگان
عنوان انگلیسی مقاله ISI
Developing an approach to evaluate stocks by forecasting effective features with data mining methods
ترجمه فارسی عنوان
توسعۀ رویکردی برای ارزیابی بورس توسط پیش بینی ویژگی های موثر با روش های داده کاوی
کلمات کلیدی
بازار بورس - داده کاوی - الگوریتم طبقه بندی - انتخاب ویژگی - روش خوشه بندی مبتنی بر عملکرد
فهرست مطالب مقاله

چکیده 
کلمات کلیدی
1. مقدمه 
2. مدل پیشنهادی 
2.1 اولین مرحله : توسعه پایگاه داده های مالی 
2.1.1 ویژگی های ورودی
2.1.2 متغیر های پاسخ 
2.1.3 پیش پردازش داده ها
شکل 1: طرح مفهومی مدل پیشنهادی
جدول 1 ویژگی های ورودی مالی
جدول 2 مدل های قیمت گذاری بورس
2.2 مرحله دوم: پیش بینی ریسک و بازده با روش های دسته بندی
2.2.1 آزمون استراتژی 
شکل 2 انتخاب ویژگی هیبریدی
جدول 3 ماتریس آشفتگی (برهم ریختگی) برای پنج طبقه
2.3 مرحله سوم : انتخاب ویژگی هیبریدی
2.3.1 روش های فیلتر کردن
2.3.2 روش خوشه بندی بر پایه عملکرد
شکل 3 فرآیند نتایج آزمایشگاهی
3. نتایج آزمایشگاهی و تحلیل
3.1 پیش پردازش داده ها
جدول 4 همبستگی میان بازده واقعی و دیگر ویژگی ها
جدول 5 همبستگی میان ریسک و دیگر ویژگی ها
جدول 6 مقایسه الگوریتم ها برای متغیر بازده واقعی
شکل 4: پیش بینی بازده واقعی – درخت تصمیم کارت
3.2 مقایسه الگوریتم ها
3.3 پیش بینی بعد از انتخاب ویژگی هیبریدی
شکل 5 پیش بینی بازده واقعی - درخت LAD
شکل 6: اولین و بهترین درخت تصمیم
شکل 7: پیش بینی بازده واقعی درخت Rep
جدول 7: مقایسه الگوریتم برای متغیر ریسک
شکل 8: پیش بینی ریسک – درخت LAD
جدول 8: وزن دهی برای پارامتر ریسک
جدول 9: وزن دهی برای پارامتر بازده واقعی
جدول 10: ویژگی های انتخاب شده برای پارامترهای بازده و واقعی
4. بحث
4.1 نتایج بازده واقعی در پیش بینی با ویژگی های انتخاب شده 
4.2: نتایج ریسک در پیش بینی با ویژگی های انتخابی 
جدول 12 مقایسه نتایج با دیگر مطالعات
5. نتیجه گیری 
ترجمه چکیده
در این پژوهش رویکرد جدیدی برای پیش بینی ریسک ها و بازده بورس توسعه داده شده است. در این رویکرد سه مرحله ای، از طریق بررسی مفهومی همه ویژگی های ممکن که می توانند روی ریسک و بازده بورس اثر بگذارند، شناسایی شده اند. سپس در مرحله بعدی، بازده و ریسک توسط اعمال شیوه های داده کاوی برای ویژگی های مفروض پیش بینی می شود. سرانجام ما یک الگوریتم هیبریدی را بر مبنای خوشه بندی عملکردی و فیلتری توسعه می دهیم: ویژگی های مهم در پیش بینی ریسک و بازده انتخاب شده و سپس بازپیش بینی می شوند. نتایج نشان داد که مدل هیبریدی پیشنهادی، ابزار مناسبی برای انتخاب ویژگی موثر بوده و این ویژگی ها نیز شاخص های خوبی برای پیش بینی بازده و ریسک می باشند. ما برای نشان دادن این رویکرد، علاوه بر آموزش و آزمون داده ها، آن را برای بازار بورس تهران TSE از 2002 تا 2011 بکار بردیم.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر هوش مصنوعی
چکیده انگلیسی
In this research, a novel approach is developed to predict stocks return and risks. In this three stage method, through a comprehensive investigation all possible features which can be effective on stocks risk and return are identified. Then, in the next stage risk and return are predicted by applying data mining techniques for the given features. Finally, we develop a hybrid algorithm, on the basis of filter and function-based clustering; the important features in risk and return prediction are selected then risk and return re-predicted. The results show that the proposed hybrid model is a proper tool for effective feature selection and these features are good indicators for the prediction of risk and return. To illustrate the approach as well as to train data and test, we apply it to Tehran Stock Exchange (TSE) data from 2002 to 2011.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Expert Systems with Applications - Volume 42, Issue 3, 15 February 2015, Pages 1325–1339
نویسندگان
, ,